专利名称：基于人工智能的混凝土配合比设计方法
技术领域：
本发明涉及混凝土配合比设计技术领域，特别是一种基于人工智能的混凝土配合比设计 方法。
背景技术：
自从有混凝土以来，就存在着怎样使混凝土的组成满足工程需要的问题。目前，我国用 于土木工程的混凝土，绝大部分仍沿袭以强度和坍落度来确定混凝土配合比的传统设计模式
传统设计方法是一种基于经验的试配方法，它以满足工作性和强度要求为主要目标，以 强度与水灰比之间的关系为基础。然而，随着建筑业的发展，为满足工程对混凝土除强度之 外的特殊技术要求(如抗渗性和抗裂性)，相继出现了各种新型混凝土 (如高强混凝土、高 性能混凝土)，而传统的混凝土配合比设计方法在进行这些混凝土的配合比设计时已越来越 显示出它的不足。其主要体现在以下几个方面 一是设计周期较长，由于不同地区原材料的 不同，混凝土配合比的调配主要凭个人经验，需要大量的时间；二是设计的变量较少，主要 是水泥、水和粗细骨料的用量。由于矿物掺和料和外加剂的掺入，基于经验的混凝土配合比 设计方法难以配制出组分复杂、具有特殊性能要求的高性能混凝土。三是考虑的性能较单一 ，主要满足强度及工作性的要求，缺乏对耐久性、抗裂性等特殊性能要求的设计手段，致使 传统方法设计的混凝土，其所建造的结构的耐久性和抗裂性不能得到有效保证。
许多专家认为，混凝土配合比设计的指导思想应从强度设计导向向基于性能设计导向转 化。他们指出合理的材料配合比设计应该符合相关规范给出的包括强度、耐久性、工作性 和经济性等要求的前提下，确定混凝土各种成分的用量，以获取最经济和最适用的混凝土。
因此，随着社会的发展、科技的进步，为了满足现代工程的需要，有关研究单位、商品 混凝土搅拌站及工程施工单位都迫切需要一种能够满足工程具体性能要求的混凝土配合比快 速设计方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于人工智能的混凝土配合比设计方 法，该方法有利于快速、准确地设计出满足多种性能要求且成本较低的混凝土配合比。为实现上述之目的，本发明的技术方案是这种基于人工智能的混凝土配合比设计方法 ，其特征在于包含以下步骤
(1) 采用人工神经网络方法建立混凝土性能指标与混凝土配合比之间的关系，得到混 凝土性能预测人工神经网络模型；
(2) 基于混凝土性能预测人工神经网络模型，采用遗传算法，以满足所有性能要求且 成本最低为优化目标，对混凝土配合比进行设计和优化；
(3) 如果优化得出的混凝土配合比不在人工神经网络以前学习的范围之内，说明人工 神经网络训练不充分，则对混凝土性能预测人工神经网络模型重新进行训练。
本发明的显著特点是能对不同区域的原材料进行学习，适用于不同区域，并能够以成本 最低为优化目标，设计或优化出满足所有性能要求的混凝土配合比。同时，该方法所对应开 发的程序具有自学习功能，具有很强的容错能力和鲁棒性。该程序能够记忆住以往的数据， 随着输入数据量的增多，程序对混凝土性能预测、对混凝土配合比设计和优化的精度也随之 提高。采用本发明对混凝土配合比进行设计和优化，可以大量减少试配次数，节约人力、材 料和能源、节省时间，加快施工进度。
图l是本发明的人工神经网络原理图。 图2是本发明的遗传算法工作流程图。
具体实施例方式
本发明的基于人工智能的混凝土配合比设计方法，其特征在于包含以下步骤
(1) 采用人工神经网络方法建立坍落度、强度、抗渗性和抗裂性这些混凝土性能指标 与混凝土配合比之间的关系，得到混凝土性能预测人工神经网络模型；
(2) 基于混凝土性能预测人工神经网络模型，采用遗传算法，以满足所有性能要求且 成本最低为优化目标，对混凝土配合比进行设计和优化；
(3) 如果优化得出的混凝土配合比不在人工神经网络以前学习的范围之内，说明人工 神经网络训练不充分，则对混凝土性能预测人工神经网络模型重新进行训练。
下面对混凝土性能预测人工神经网络模型的建立和使用、混凝土配合比的设计和优化、 混凝土性能预测人工神经网络模型的升级作进一步的详细说明。 1 、混凝土性能预测人工神经网络模型的建立和使用 1 )混凝土性能预测人工神经网络模型的建立首先，采用人工神经网络方法定义骨料密实度网络netO、坍落度网络netl、 28天抗压强 度网络net2、扩散系数网络net3和开裂指数网络net4;
然后，调用MATLAB提供的人工神经网络工具来训练定义的骨料密实度网络netO、對落度 网络netl、 28天抗压强度网络net2、扩散系数网络net3 (体现混凝土的抗渗性)和开裂指数 网络net4 (体现混凝土的抗裂性)。人工神经网络原理如图l所示。
在数据文件中输入多组通过试验得到的如下混凝土配合比、混凝土各组分参数和混凝土 性能指标数据
(1) 混凝土配合比
水泥、粉煤灰、矿渣、小石子、大石子、砂、水、减水剂，单位kg /m3
(2) 混凝土各组分表观密度
水泥、粉煤灰、矿渣、小石子、大石子、砂、水的表观密度，单位kg/m3
(3) 骨料堆积密度
小石子、大石子、砂的堆积密度，单位kg/m3
(4) 与各组混凝土砂率和小石子与粗骨料比例对应的骨料密实度 试验方法如下
水泥测水泥的表观密度^ (GB/T208-94); 粉煤灰测粉煤灰的表观密度^ (GB/T208-94); 矿粉测矿粉的表观密度^ (GB/T208-94);
砂进行砂的筛分试验，测得砂的颗粒级配、表观密度^、紧密堆积密度^" (GB/T14684-2001);
石子进行石子的筛分试验，测得石子的颗粒级配、表观密度^和紧密堆积密度&T (GB/T14685-2001);
针对各组混凝土的砂率和小石子与粗骨料的比例，测试骨料混合体的堆积密度 (GB/T14685-2001)，算出对应的密实度。
实际密实度计算公式 卜k其中，P〃为混合体的堆积密度；
^""^ + ^Sl + ^S2)/("^/^ + mSl/户Sl+"^/Ps2)为混合体的表观密度，Ps、 Pd、 ^"分别为砂、大石子、小石子的表观密度。
(5) 小石子、大石子及砂的比表面积 小石子、大石子及砂的比表面积，单位m2/kg
根据砂、石子的筛分曲线，参考相关文献计算得出，或者采用相关试验得出。
(6) lm3混凝土中的含气量
(7) 混凝土性能指标
坍落度(mm)、抗压强度(MPa)、扩散系数(10—13m2/s)、开裂指数 试验方法如下
a. 坍落度按照《普通混凝土拌合物性能试验方法标准》(GB/T50080-2002)中规定进行。
b. 强度测试方法按《普通混凝土力学性能试验方法标准》(GB/T50081-2002)的规定进行
c. 采用清华大学路新瀛教授提出的NEL法试验，测试混凝土氯离子扩散系数。
d. 采用带隔板的开裂环装置，测试混凝土的抗裂指数。
说明(1) - (7)是收集到的各组混凝土数据，为了保证有较高的精度，进行每组混 凝土配合比试验时，应严格要按上述要求收集数据。 2)混凝土性能预测人工神经网络模型的使用
根据所建立的坍落度网络netl、 28天抗压强度网络net2、扩散系数网络net3和开裂指数 网络net4，输入(1) - (6)数据，就可以得到对应混凝土的性能指标(坍落度(mm)、抗 压强度(MPa)、扩散系数(10—13m2/s)、开裂指数)。
2、混凝土配合比的设计和优化
调用前面已经训练完成的骨料密实度网络netO、坍落度网络netl、 28天抗压强度网络 net2、扩散系数网络net3、开裂指数网络net4和MATLAB提供的遗传算法工具进行计算。在数 据文件中输入如下数据
(1) 混凝土各组分表观密度
水泥、粉煤灰、矿渣、小石子、大石子、砂、水的表观密度，单位kg/m3
(2) 小石子、大石子及砂的堆积密度(kg/m3) 试验方法如下水泥测水泥的表观密度^ (GB/T208-94); 粉煤灰测粉煤灰的表观密度^ (GB/T208-94); 矿粉测矿粉的表观密度^ (GB/T208-94);
砂进行砂的筛分试验，测得砂的颗粒级配、表观密度^、紧密堆积密度^" (GB/T14684-2001);
石子进行石子的筛分试验，测得石子的颗粒级配、表观密度^和紧密堆积密度&T (GB/T14685-2001);
(3) 小石子、大石子、砂的比表面积，单位m2/kg
根据砂、石子的筛分曲线，参考相关文献计算得出，或者采用相关试验得出。
(4) 混凝土各组分价格
水泥、粉煤灰、矿渣、粗骨料、细骨料、水、减水剂的价格，单位元/kg
(5) 高效减水剂与胶凝材料的比值
(6) 单位体积混凝土中的含气量
(7) 混凝土性能指标约束条件
包括坍落度(mm)、抗压强度(MPa)、氯离子扩散系数(10—13m2/s)、开裂指数的上限 和下限。
(8) 混凝土配合比参数约束条件
分别为小石子与粗骨料的质量比，砂率，水胶比，粉煤灰与胶凝材料，矿渣与与胶凝材 料的质量比，粗骨料用量(单位kg/m3)、胶凝材料用量(单位kg/m3)的上限和下限。
(9) 混凝土配合比优化各组分边界条件(kg/m3)
分别为水泥、粉煤灰、矿渣、小石子、大石子、砂、水的上限和下限。 遗传算法工作流程如图2所示。图2中的终止条件包括各种约束条件(即(7) - (9)) ，如果满足终止条件，程序就结束了。
该程序的计算结果输出到一个结果文件中，结果文件的内容如下
(1) 混凝土配合比参数
分别为小石子与粗骨料的质量比，砂率，水胶比，粉煤灰与胶凝材料，矿渣与与胶凝材 料的质量比，粗骨料用量(单位kg/m3)、胶凝材料用量(单位kg/m3)
(2) 混凝土性能指标分别为坍落度(mm)、抗压强度(MPa)、氯离子扩散系数(10—"m」/s)、开裂指数
(3) 混凝土成本(元/m3)
(4) 混凝土优化后的配合比(kg/m3) 从而最终得到满足所有性能要求且成本最低的混凝土配合比，包括水泥、粉煤灰、矿
渣、粗骨料、细骨料、水、减水剂。
3、混凝土性能预测人工神经网络模型的升级
如果所优化的混凝土配合比不在以前学习的范围之内，则人工神经网络训练不充分，这 时应将新的试验数据输入数据文件中，重新对人工神经网络进行训练和升级。
这时应补充与混凝土配合比小石子和粗骨料质量比、砂率对应的骨料混合体堆积密度试 验(GB/T14685-2001)，算出骨料混合体密实度，并将新的混凝土配合比数据追加到原有的数 据库，以对人工智能数据库进行升级。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超 出本发明技术方案的范围时，均属于本发明的保护范围。
9
权利要求
1.一种基于人工智能的混凝土配合比设计方法，其特征在于包含以下步骤(1)采用人工神经网络方法建立混凝土性能指标与混凝土配合比之间的关系，得到混凝土性能预测人工神经网络模型；(2)基于混凝土性能预测人工神经网络模型，采用遗传算法，以满足所有性能要求且成本最低为优化目标，对混凝土配合比进行设计和优化；(3)如果优化得出的混凝土配合比不在人工神经网络以前学习的范围之内，则对混凝土性能预测人工神经网络模型重新进行训练。
2 根据权利要求l所述的基于人工智能的混凝土配合比设计方法，其 特征在于所述混凝土性能指标包括坍落度、强度、抗渗性和抗裂性。
3 根据权利要求2所述的基于人工智能的混凝土配合比设计方法，其 特征在于所述混凝土性能预测人工神经网络模型的建立按如下步骤进行(1) 采用人工神经网络方法定义骨料密实度网络、對落度网络、28天抗压强度网络、 扩散系数网络和开裂指数网络；(2) 调用人工神经网络工具，输入通过试验获得的混凝土配合比、混凝土各组分参数 和混凝土性能指标数据，以对定义的骨料密实度网络、坍落度网络、28天抗压强度网络、扩 散系数网络和开裂指数网络进行训练。
4 根据权利要求3所述的基于人工智能的混凝土配合比设计方法，其 特征在于所述混凝土各组分参数包括混凝土各组分表观密度，小石子、大石子及砂的堆 积密度，与各组混凝土砂率和小石子与粗骨料比例对应的骨料密实度，小石子、大石子及砂 的比表面积以及单位体积混凝土中的含气量。
5 根据权利要求3所述的基于人工智能的混凝土配合比设计方法，其 特征在于混凝土配合比的优化按如下步骤进行(1)调用已经训练完成的骨料密实度网络、坍落度网络、28天抗压强度网络、扩散系数网络和开裂指数网络；(2)调用遗传算法工具，并输入混凝土配合比优化各组分参数、混凝土各组分价格、 混凝土性能指标约束条件、混凝土配合比参数约束条件和混凝土配合比优化各组分边界条件 ，以运算得到满足所有性能要求且成本最低的混凝土配合比。
6.根据权利要求5所述的基于人工智能的混凝土配合比设计方法，其 特征在于所述混凝土配合比优化各组分参数包括混凝土各组分表观密度，小石子、大石 子及砂的堆积密度和比表面积，高效减水剂与胶凝材料的比值以及单位体积混凝土中的含气
全文摘要
本发明涉及混凝土配合比设计技术领域，特别是一种基于人工智能的混凝土配合比设计方法，包含以下步骤(1)采用人工神经网络方法建立混凝土性能指标与混凝土配合比之间的关系，得到混凝土性能预测人工神经网络模型；(2)基于混凝土性能预测人工神经网络模型，采用遗传算法，以满足所有性能要求且成本最低为优化目标，对混凝土配合比进行设计和优化；(3)如果优化得出的混凝土配合比不在人工神经网络以前学习的范围之内，则对混凝土性能预测人工神经网络模型重新进行训练。该方法有利于快速、准确地设计出满足多种性能要求且成本较低的混凝土配合比。
文档编号B28B7/04GK101609515SQ20091030365
公开日2009年12月23日 申请日期2009年6月25日 优先权日2009年6月25日
发明者韬 季, 林旭健, 梁咏宁, 罗蜀榕, 萍 黄 申请人:福州大学